في عالم الذكاء الاصطناعي، يمثل ضبط التعليمات إحدى الأدوات الأساسية لتكييف نماذج اللغة (Language Models) مع مجموعات البيانات المتخصصة. لكن، ما الجديد في هذا المجال؟ دراسة حديثة تسلط الضوء على ظاهرة مثيرة للاهتمام: كيف يمكن لمهمة معينة (Task A) ألا تكتفي بمساعدة مهمة أخرى (Task B)، بل قد تؤدي في بعض الأحيان إلى تدهور أدائها.

تشير هذه الدراسة إلى أن فرضيتين شائعتين في مجال نقل التعليمات، وهما أن النقل يكون دائمًا إيجابيًا وأن تأثيره متماثل، ليستا صحيحتين بشكل كامل. هنا تظهر أهمية ما يسمى بـ "خريطة النقل" (Transfer Map) التي تقدم تقديرًا موقّعًا حول مقدار الدعم أو الضرر الذي يحدثه كل مصدر فيما يتعلق بكل هدف محدد.

قام الباحثون بإجراء مئات من تجارب الضبط على نماذج Qwen3 وMistral، محققين تقديرات دقيقة لقدرة النماذج على أداء المهام المعقدة بناءً على خرائط النقل. النتائج أظهرت أن الاعتماد على المهام الأكثر فعالية معقد ومؤثر، حيث ارتفعت دقة الأداء في بعض الأهداف المحددة بمقدار يصل إلى 14 نقطة مئوية عند استخدام الإستراتيجيات التي تتضمن خريطة النقل.

إن التجارب تبين أن النقل ليس مجرد خاصية للبيانات، بل يتطلب فهماً دقيقاً للأهداف والمهام. ومن خلال استخدام هذه الخرائط، يتمكن الباحثون والنماذج من اختيار المهام الأكثر فائدة وتجنب المهام التي تضر الأداء.